CN116108905A - 光电器件单元、光电神经网络以及计算模组 - Google Patents

光电器件单元、光电神经网络以及计算模组 Download PDF

Info

Publication number
CN116108905A
CN116108905A CN202111322795.4A CN202111322795A CN116108905A CN 116108905 A CN116108905 A CN 116108905A CN 202111322795 A CN202111322795 A CN 202111322795A CN 116108905 A CN116108905 A CN 116108905A
Authority
CN
China
Prior art keywords
interference
optical
unit
waveguide
units
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111322795.4A
Other languages
English (en)
Inventor
田野
刘胜平
李强
赵洋
王玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
United Microelectronics Center Co Ltd
Original Assignee
United Microelectronics Center Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by United Microelectronics Center Co Ltd filed Critical United Microelectronics Center Co Ltd
Priority to CN202111322795.4A priority Critical patent/CN116108905A/zh
Publication of CN116108905A publication Critical patent/CN116108905A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/067—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means
    • G06N3/0675—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using optical means using electro-optical, acousto-optical or opto-electronic means
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Optical Integrated Circuits (AREA)

Abstract

一种光电器件单元、光电神经网络以及计算模组，所述光电器件单元包括：2K个光学干涉单元，每个光学干涉单元中包含第一干涉波导和第二干涉波导；其中，各个光学干涉单元之间经由所述第一干涉波导或第二干涉波导连接，每个光学干涉单元的不同的干涉波导分别连接至不同的光学干涉单元，且相连的干涉波导的非相连端分别延伸至所述光电器件单元的同一条边，以分别作为该边的输入端口和输出端口。本发明可以实现向光电器件单元的各个边所在的方向均可输入输出数据。

Description

光电器件单元、光电神经网络以及计算模组
技术领域
本发明涉及光电技术领域，尤其涉及一种光电器件单元、光电神经网络以及计算模组。
背景技术
传统人工智能主要是通过计算来实现的，即通过编程等手段实现机器智能，尤其是深度学习，作为目前广泛应用的技术，通过采用多层权重求和加非线性激活的方式来构造前馈神经网络实现智能识别，目标检测，数据分析等功能。这种技术涉及到大量的线性乘加操作，需要消耗大量的计算资源，给目前的电子计算芯片带来了极大的性能和功耗挑战。
在现有技术中，为了实现计算加速，可以引入光子算力，进行光电融合的人工智能运算。然而，现有的光电融合人工智能芯片都存在可重构性差、可扩展性不足、计算能效远低于理论值等问题，难以进行大规模应用。
发明内容
本发明解决的技术问题是提供一种光电器件单元、光电神经网络以及计算模组，可以实现向光电器件单元的各个边所在的方向均可输入输出数据。
为解决上述技术问题，本发明实施例提供一种光电器件单元，包括：2K个光学干涉单元，每个光学干涉单元中包含第一干涉波导和第二干涉波导；其中，各个光学干涉单元之间经由所述第一干涉波导或第二干涉波导连接，每个光学干涉单元的不同的干涉波导分别连接至不同的光学干涉单元，且相连的干涉波导的非相连端分别延伸至所述光电器件单元的同一条边，以分别作为该边的输入端口和输出端口；K为正整数，且K≥2。
可选的，每个光学干涉单元的第一干涉波导具有移相器件，第二干涉波导不具有移相器件；其中，各个光学干涉单元之间第一干涉波导与第一干涉波导相连，第二干涉波导与第二干涉波导相连。
可选的，每个光学干涉单元的第一干涉波导和第二干涉波导均具有移相器件。
可选的，所述光学干涉单元为马赫-增德尔尔干涉仪MZI，所述MZI的两条干涉臂分别作为所述第一干涉波导和第二干涉波导。
可选的，所述光学干涉单元为包括两条直波导的微环谐振器，所述两条直波导分别作为所述第一干涉波导和第二干涉波导；其中，所述两条直波导相互平行，所述微环谐振器的微环位于所述两条直波导之间。
可选的，所述2K个光学干涉单元的排列形状选自：矩形、六边形、八边形。
为解决上述技术问题，本发明实施例提供一种光电神经网络，包括：一个或多个矩阵网络，每个矩阵网络包含多个如上述的光电器件单元。
可选的，所述的光电神经网络还包括：调制器阵列，与所述矩阵网络中的各个光电器件单元的输入端口耦接，并将待处理信号调制为光学调制信号后输入所述矩阵网络。
可选的，所述的光电神经网络还包括：探测器，与所述矩阵网络中的各个光电器件单元的输出端口耦接，并对所述光电器件单元输出的光学信号进行光电转换。
可选的，所述光电神经网络对所述探测器接收到的输出光与所述调制器阵列生成的输入光进行相干处理。
为解决上述技术问题，本发明实施例提供一种计算模组，包括：光芯片，所述光芯片集成有一个或多个如上述的光电神经网络；电芯片，用于对所述光芯片的电学性能进行控制。
与现有技术相比，本发明实施例的技术方案具有以下有益效果：
在本发明实施例中，各个光学干涉单元之间经由所述第一干涉波导或第二干涉波导连接，每个光学干涉单元的不同的干涉波导分别连接至不同的光学干涉单元，且相连的干涉波导的非相连端分别延伸至所述光电器件单元的同一条边，以分别作为该边的输入端口和输出端口，可以实现向光电器件单元的各个边所在的方向均可输入输出数据，以此光电器件单元为基础，可以按照阵列无限扩展形成任意规模的矩阵，有效提高重构性和可扩展性，进而提高计算能效。
进一步，每个光学干涉单元的第一干涉波导具有移相器件，第二干涉波导不具有移相器件，从而可以对两个干涉波导中的一个，调节相位参数φ和/或幅度参数θ，使光学干涉单元的输出信号差值满足实际需求。
进一步，每个光学干涉单元的第一干涉波导和第二干涉波导均具有移相器件，从而可以对两个干涉波导的相位参数φ和/或幅度参数θ同时进行调节，在使光学干涉单元的输出信号差值满足实际需求的同时，还能够控制信号的实际大小。
进一步，所述光学干涉单元可以为MZI，还可以为微环谐振器，从而可以借助光的高带宽，低时延和低能耗的优势，完成计算功能。
进一步，在本发明实施例中，提供一种包括一个或多个矩阵网络的光电神经网络，能够以光电器件单元为基础，按照阵列无限扩展形成任意规模的矩阵网络，使得基于矩阵网络构成的光电神经网络具有非常高的重构性和可扩展性，完成如线性乘加操作等各种运算功能。
进一步，光电神经网络还能够对所述探测器接收到的输出光与所述调制器阵列生成的输入光进行相干处理，相比于能够扩展矩阵网络的表达能力。具体地，非相干的情况下探测器只能检测到强度，强度总是为正，也就是说等效的运算必须是输出结果为正的情形才可以得到正确的结果，这只有在传输矩阵的所有元素都为正的情况下才成立。而采用相干检测的方式，可以借助相位的区别实现对结果为负数的计算的支持，所以支持的矩阵元素可正可负，表达的矩阵范围得到了有效扩展。
进一步，在本发明实施例中，提供一种包括光芯片和电芯片在内的计算模组，由于电芯片能够对光芯片的调制器、移相器和探测器进行控制，还可以进行非线性运算处理和延时处理，因此计算模组即可以作为矩阵运算网络对深度学习进行加速，又可以作为神经元对神经拟态计算进行加速，有效提高计算能效。
附图说明
图1是现有技术中一种马赫-增德尔干涉仪的结构示意图；
图2是现有技术中一种由马赫-增德尔干涉仪构成的2×2的酉矩阵的结构示意图；
图3是现有技术中一种由酉矩阵构成的光学线性乘法器的结构示意图；
图4是本发明实施例中一种光电器件单元的结构示意图；
图5是本发明实施例中第一种光学干涉单元的结构示意图；
图6是本发明实施例中第二种光学干涉单元的结构示意图；
图7是本发明实施例中第三种光学干涉单元的结构示意图；
图8是本发明实施例中第四种光学干涉单元的结构示意图；
图9是本发明实施例中一种矩阵网络的结构示意图；
图10是本发明实施例中一种光电神经网络的结构示意图；
图11是本发明实施例中一种计算模组的结构示意图；
图12是本发明实施例中一种多个计算模组的工作场景示意图。
具体实施方式
在现有技术中，为了实现机器智能，尤其是深度学习，涉及到大量的线性乘加操作，需要消耗大量的计算资源。然而在引入光子算力进行光电融合的人工智能运算的技术中，现有的光电融合人工智能芯片存在可重构性差、可扩展性不足、计算能效远低于理论值等问题，难以进行大规模应用。
具体而言，近年来一些研究尝试在光域来完成这些线性乘加操作，借助光的高带宽，低时延和低能耗的优势来加速深度前馈神经网络模型的计算。为了在光域模拟神经网络的记忆能力，从而实现时序任务的执行，人们发展了光子储水池网络，这被认为是循环神经网络的某种变体。使用光电子器件构建循环神经网络时，存在两种思路。一种是并行结构，即循环神经网络的每一个节点都用一个光电子器件搭建。这种思路的优点是直观性较好，并且由于并行计算，计算速度较快。另一种是串行结构，即该结构中储备池原有的众多节点采用单一非线性节点通过延时实现。然而，储水池网络仅对输出层进行训练，而不对网络内各个节点间的连接权重进行调整，因此在高维数据和复杂信息的处理上表现不佳。
此外，脉冲神经网络(Spiking Neuron Networks，SNN)作为所谓的第三代神经网络，是与生物神经网络最为接近的一种网络模型。它使用脉冲神经元作为基本单位，能够模仿人类大脑的信息编码和处理过程。脉冲神经元可以使用微分方程组来描述，相较于其他神经元模型更加复杂，更适合使用硬件而非在软件层面来实现。SNN具备处理时空数据的能力，同时具有低能耗的优点，是未来的一大发展趋势。SNN的应用场景包括目标检测、语音处理、自动驾驶等。光子脉冲神经网络实用化的障碍主要在于可靠的脉冲神经网络训练算法的缺失，因此，光子脉冲神经网络的发展高度依赖于算法的发展。
参照图1，图1是现有技术中一种马赫-增德尔(Mach-Zender Interferometer，MZI)干涉仪的结构示意图。
图1示出的所述MZI 10可以包括：两个分光器和两个移相器，形成两进两出的光计算单元，其中，两个移相器可以分别实现对相位参数φ和幅度参数θ的调节。
由图中可知，MZI的信号输入端只能在左侧，信号输出端只能在右侧，而不能在上侧、下侧或右侧。
参照图2，图2是现有技术中一种由马赫-增德尔干涉仪构成的2×2的酉矩阵的结构示意图。
基于4个MZI 10，可以得到2×2的酉矩阵，进而以该酉矩阵为基本计算单元，可以配置出规模更大的光学运算结构。
需要指出的是，图2示出的酉矩阵的信号输入端只能在左侧，信号输出端只能在右侧，而不能在上侧、下侧或右侧。
在具体实施中，由于序号为1和4的MZI 10，和序号为2和3的MZI 10，为交叉互联的状态，为了配置得到光学运算结构，可以将序号为2和4的MZI10错层放置，以提高排列的规律性。
参照图3，图3是现有技术中一种由酉矩阵构成的光学线性乘法器的结构示意图。
在图3中以乘法器为例，对酉矩阵构成的光学运算结构进行了说明。多个MZI 10经过错层连接后，形成八进四出的光学线性乘法器。
需要指出的是，图3示出的光学线性乘法器的信号输入端只能在左侧，信号输出端只能在右侧，而不能在上侧、下侧或右侧。
本发明的发明人经过研究发现，在现有技术中，运算方向只能是单向的，即从图3示出的光学运算结构的左侧输入信号，右侧输出信号，而无法自上侧、下侧或右侧输入信号进行运算，因此，在使用现有技术中的MZI作为基本单元进行阵列布置时，只能在行向量上实现网络的相互连接，且对运算的信号输入输出方向也存在限定，除非添加额外的光电/电光转换，否则不能在列向量上实现互通。
在本发明实施例中，各个光学干涉单元之间经由所述第一干涉波导或第二干涉波导连接，每个光学干涉单元的不同的干涉波导分别连接至不同的光学干涉单元，且相连的干涉波导的非相连端分别延伸至所述光电器件单元的同一条边，以分别作为该边的输入端口和输出端口，可以实现向光电器件单元的各个边所在的方向均可输入输出数据，以此光电器件单元为基础，可以按照阵列无限扩展形成任意规模的矩阵，有效提高重构性和可扩展性，进而提高计算能效。
为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
参照图4，图4是本发明实施例中一种光电器件单元的结构示意图。
所述光电器件单元30可以包括：2K个光学干涉单元20，每个光学干涉单元20中包含第一干涉波导和第二干涉波导；其中，各个光学干涉单元20之间经由所述第一干涉波导或第二干涉波导连接，每个光学干涉单元20的不同的干涉波导分别连接至不同的光学干涉单元，且相连的干涉波导的非相连端分别延伸至所述光电器件单元20的同一条边，以分别作为该边的输入端口和输出端口；K为正整数，且K≥2。
在图4示出的光电器件单元30中，以K＝2，也即光学干涉单元20的数量为4个为例进行说明。
以序号为1的光学干涉单元20为例，信号输入端分别位于光电器件单元30的上侧和右侧，信号输出端分别连接至序号为4和2的光学干涉单元20。也即序号为1的光学干涉单元20的一条干涉波导连接至序号为4的光学干涉单元20，另一条干涉波导连接至序号为2的光学干涉单元20，每个光学干涉单元的不同的干涉波导分别连接至不同的光学干涉单元。序号为1的光学干涉单元20与相连的序号为4的光学干涉单元20的非相连端分别延伸至所述光电器件单元30的同一条边(即上侧边)，序号为1的光学干涉单元20与相连的序号为2的光学干涉单元20的非相连端分别延伸至所述光电器件单元30的同一条边(即右侧边)，也即相连的干涉波导的非相连端分别延伸至所述光电器件单元30的同一条边。
同理，序号为3的光学干涉单元20，信号输入端分别位于光电器件单元30的左侧和下侧，信号输出端分别连接至序号为4和2的光学干涉单元20。有关序号为3的光学干涉单元20的更多内容，请参照序号为1的光学干涉单元20的描述，此处不再赘述。
其中，光电器件单元30的四边分别存在一个输入端和一个输出端。以此光电器件单元30为基本单元，按照阵列进行布置，可以实现阵列中行向量和列向量上的互联，从而形成规模更大的矩阵。具体而言，以此结构为基本单元，可以按照阵列无限扩展形成任意规模的矩阵，实现了光电混合人工智能芯片的可扩展性。
需要指出的是，在图4示出的光电器件单元30中，与现有技术中的酉矩阵(参照图2)相比，对相邻关系进行了调整，2不再与4相邻，而是与3相邻。
也即图4示出的光电器件单元30实质上为图2示出的酉矩阵的等效变换，然而由于其相连的干涉波导的非相连端分别延伸至所述光电器件单元的同一条边，以分别作为该边的输入端口和输出端口，因此可以实现向光电器件单元的各个边所在的方向均可输入输出数据。
以所述光电器件单元作为基本算子，由于其每一边均同时存在一个输入口和一个输出口，因此可以通过移相器配置成任意h×h的矩阵，例如为酉矩阵。其中，h为正整数。
在本发明实施例中，各个光学干涉单元20之间经由所述第一干涉波导或第二干涉波导连接，每个光学干涉单元20的不同的干涉波导分别连接至不同的光学干涉单元20，且相连的干涉波导的非相连端分别延伸至所述光电器件单元30的同一条边，以分别作为该边的输入端口和输出端口，可以实现向光电器件单元30的各个边所在的方向均可输入输出数据，以此光电器件单元30为基础，可以按照阵列无限扩展形成任意规模的矩阵，有效提高重构性和可扩展性，进而提高计算能效。
进一步地，所述2K个光学干涉单元的排列形状选自：矩形、六边形、八边形。
可以理解的是，如果K＝3，基于六个光学干涉单元的光电器件单元排列形状为六边形，则光电器件单元的六个边中的每个边都可以具有信号输入端和信号输出端，后续还可以形成蜂窝状的矩阵网络。
如果K＝4，基于八个光学干涉单元的光电器件单元排列形状为八边形，则光电器件单元的八个边中的每个边都可以具有信号输入端和信号输出端，后续还可以形成以八边形为最小结构单元的矩阵网络。
需要指出的是，在本发明实施例中，K还可以选自5、6、7……，从而形成其他结构的矩阵网络，其中，单个光电器件单元的2K个边中的每个边都可以具有信号输入端和信号输出端。
在本发明实施例中，可以根据具体实施需求在矩形、六边形、八边形中选择适当的配列形状。
参照图5，图5是本发明实施例中第一种光学干涉单元的结构示意图。
如图5所示，所述光学干涉单元为MZI 201，所述MZI 201的两条干涉臂分别作为所述第一干涉波导和第二干涉波导，每个光学干涉单元的第一干涉波导具有移相器件，第二干涉波导不具有移相器件；其中，各个光学干涉单元之间第一干涉波导与第一干涉波导相连，第二干涉波导与第二干涉波导相连。
具体地，通过采用MZI 201作为两进两出的光学干涉单元，可以得到本发明实施例中的光电器件单元。
需要指出的是，采用图5示出的MZI 201，在图4示出的光电器件单元中，序号为1和序号为4的光学干涉单元20可以均是位于上方的干涉波导为第一干涉波导，例如均是位于上方的第一干涉波导具有移相器件。同理，序号为2和序号为3的光学干涉单元20可以均是位于下方的干涉波导为第一干涉波导，例如均是位于下方的第一干涉波导具有移相器件。
在本发明实施例中，每个光学干涉单元的第一干涉波导具有移相器件，第二干涉波导不具有移相器件，从而可以对两个干涉波导中的一个，调节相位参数φ和/或幅度参数θ，使光学干涉单元的输出信号差值满足实际需求。
参照图6，图6是本发明实施例中第二种光学干涉单元的结构示意图。
如图6所示，所述光学干涉单元为MZI 202，所述MZI 202的两条干涉臂分别作为所述第一干涉波导和第二干涉波导，每个光学干涉单元的第一干涉波导和第二干涉波导均具有移相器件。
具体地，通过采用MZI 201作为两进两出的光学干涉单元，可以得到本发明实施例中的光电器件单元。
在本发明实施例中，每个光学干涉单元的第一干涉波导和第二干涉波导均具有移相器件，从而可以对两个干涉波导的相位参数φ和/或幅度参数θ同时进行调节，在使光学干涉单元的输出信号差值满足实际需求的同时，还能够控制信号的实际大小。
需要指出的是，在本发明实施例中，设置所述光学干涉单元为MZI，可以借助光的高带宽，低时延和低能耗的优势，完成计算功能。
参照图7，图7是本发明实施例中第三种光学干涉单元的结构示意图。
如图7所示，所述光学干涉单元为包括两条直波导的微环谐振器203，所述两条直波导分别作为所述第一干涉波导和第二干涉波导；其中，所述两条直波导相互平行，所述微环谐振器203的微环位于所述两条直波导之间。
具体地，通过采用微环谐振器203作为两进两出的光学干涉单元，可以得到本发明实施例中的光电器件单元。
每个光学干涉单元的第一干涉波导具有移相器件，第二干涉波导不具有移相器件；其中，各个光学干涉单元之间第一干涉波导与第一干涉波导相连，第二干涉波导与第二干涉波导相连。
需要指出的是，采用图5示出的微环谐振器203，在图4示出的光电器件单元中，序号为1和序号为4的光学干涉单元20可以均是位于上方的干涉波导为第一干涉波导，例如均是位于上方的第一干涉波导具有移相器件。同理，序号为2和序号为3的光学干涉单元20可以均是位于下方的干涉波导为第一干涉波导，例如均是位于下方的第一干涉波导具有移相器件。
在本发明实施例中，每个光学干涉单元的第一干涉波导具有移相器件，第二干涉波导不具有移相器件，从而可以对两个干涉波导中的一个，调节相位参数φ和/或幅度参数θ，使光学干涉单元的输出信号差值满足实际需求。
参照图8，图8是本发明实施例中第四种光学干涉单元的结构示意图。
如图8所示，所述光学干涉单元为包括两条直波导的微环谐振器204，所述两条直波导分别作为所述第一干涉波导和第二干涉波导；其中，所述两条直波导相互平行，所述微环谐振器204的微环位于所述两条直波导之间。
具体地，通过采用微环谐振器204作为两进两出的光学干涉单元，可以得到本发明实施例中的光电器件单元。
进一步地，每个光学干涉单元的第一干涉波导和第二干涉波导均具有移相器件。
在本发明实施例中，每个光学干涉单元的第一干涉波导和第二干涉波导均具有移相器件，从而可以对两个干涉波导的相位参数φ和/或幅度参数θ同时进行调节，在使光学干涉单元的输出信号差值满足实际需求的同时，还能够控制信号的实际大小。
需要指出的是，在本发明实施例中，设置所述光学干涉单元为微环谐振器，从而可以借助光的高带宽，低时延和低能耗的优势，完成计算功能。
参照图9，图9是本发明实施例中一种矩阵网络的结构示意图。所述矩阵网络包含多个上述光电器件单元。
在图9示出的矩阵网络40中，由光电器件单元30作为基本算子，按照4行4列的阵列布置形成16×16的矩阵网络，相邻的光电器件单元30的输入和输出端口进行互联。
具体地，可以按照阵列的方式级联多个基本算子来完成更大规模的矩阵计算。
在本发明实施例中，以光电器件单元30为基础，可以按照阵列无限扩展形成任意规模的矩阵网络40。
需要指出的是，以多个光电器件单元30构成M×N矩阵为例，光电器件单元的数量实际上是可以少于M×N的，也即在矩阵网络40中，还允许“空出”一部分光电器件单元30，从而进一步提高矩阵网络40的结构的灵活性，提高重构性和可扩展性。其中，M、N为正整数。
参照图10，图10是本发明实施例中一种光电神经网络的结构示意图。
如图10所示，所述光电神经网络可以包括一个或多个矩阵网络40。
在本发明实施例中，提供一种包括一个或多个矩阵网络40的光电神经网络，能够以光电器件单元为基础，按照阵列无限扩展形成任意规模的矩阵网络40，使得基于矩阵网络40构成的光电神经网络具有非常高的重构性和可扩展性，完成如线性乘加操作等各种运算功能。
进一步地，所述光电神经网络还可以包括调制器阵列41。
其中，所述调制器阵列41可以与所述矩阵网络40中的各个光电器件单元的输入端口耦接，并将待处理信号调制为光学调制信号后输入所述矩阵网络40。
进一步地，所述光电神经网络还可以包括探测器42。
所述探测器42可以与所述矩阵网络40中的各个光电器件单元的输出端口耦接，并对所述光电器件单元输出的光学信号进行光电转换。
在一种非限制性的具体实施例中，所述调制器阵列41可以包括16个调制器，其输出16个光学调制信号。
在另一种非限制性的具体实施例中，所述调制器阵列41可以输入单个光信号，所述单个光信号包含16个光信号向量。
需要指出的是，在本发明实施例中，以数量为16进行说明，但对具体实施的数量不作限制。
进一步地，通过调制器阵列41将光学调制信号输入到矩阵网络40中，完成计算之后再输出到探测器42中，转换为电信号输出。
在具体实施中，将所述光电神经网络的结构等效对应至数学运算方面，可以将基本算子看作一个由n2个突触组成的神经元，也可以将由通过阵列排布组成的新的算子看作一个神经元。
具体地，突触在生物上是一种带权重的连接，多个突触会连接到同一个神经元。多个输入的带权求和共同决定神经元的输出，由于h进h出的结构它的传输矩阵等效于一个h×h矩阵，该矩阵有h2个元素，也就是h2个权值，于是等效为h2个突触。
神经元之间的连接可以引入非线性处理以及可调延时功能，进而将经过神经元处理的光信号通过探测器转换成电信号。
进一步地，所述光电神经网络可以对所述探测器42接收到的输出光与所述调制器阵列41生成的输入光进行相干处理。
在本发明实施例中，光电神经网络还能够对所述探测器42接收到的输出光与所述调制器阵列41生成的输入光进行相干处理，相比于非相干处理，能够扩展矩阵网络40的表达能力。具体地，非相干的情况下，探测器只能检测到强度，强度总是为正，也就是说等效的运算必须是输出结果为正的情形才可以得到正确的结果，这只有在传输矩阵的所有元素都为正的情况下才成立。而采用相干检测的方式，可以借助相位的区别实现对结果为负数的计算的支持，所以支持输出结果为负的情况，矩阵网络40表达的矩阵范围得到了有效扩展。
参照图11，图11是本发明实施例中一种计算模组的结构示意图。
如图11所示，所述计算模组50可以包括：光芯片，所述光芯片集成有一个或多个上述的光电神经网络；电芯片，用于对所述光芯片的电学性能进行控制。
可以理解的是，图11示出了单个计算模组50中光芯片和电芯片上的器件及其连接方式。计算模组50存在光输入口、电信号输入口和电信号输出口。光从阵列边缘的h个端口输入，在算子网络中传播后输出，则输入和输出之间的关系是可以由矩阵网络40进行描述的，且可以通过调节移相器对矩阵网络40中的光电器件单元进行任意配置。
其中，电芯片可以包括适当的运算模块，例如可以包括数模/模数转换器、数据缓存器和逻辑运算器中的一项或多项。
具体地，光芯片和电芯片之间可以通过异构异质集成的方式集成在一起，形成光电融合人工智能芯片。其中，光芯片可以用来实现神经网络计算的加速，而电芯片的主要功能可以是实现对光芯片的控制。
将经过神经元处理的光信号通过探测器转换成电信号。并输入到电芯片上进行激活，激活后的信号再传播到下一个光芯片(可视为神经元)的调制器上，通过调制器转换成光信号之后输入神经元之中。
在本发明实施例中，提供一种包括光芯片和电芯片在内的计算模组50，由于电芯片能够对光芯片的调制器、移相器和探测器进行控制，还可以进行非线性运算处理和延时处理，因此计算模组50既可以作为运算模块对深度学习进行加速，又可以作为神经元对神经拟态计算进行加速，有效提高计算能效。
参照图12，图12是本发明实施例中一种多个计算模组的工作场景示意图。
具体地，计算模组50之间同时采用了光互联和电互联这两种连接方式，并在不同连接方式间切换。当该光电混合人工智能芯片用来对深度学习加速时，计算模组50之间通过光互联进行连接，并构成更大规模的矩阵；当用于神经拟态计算时，计算模组50之间采用电互联，并在电域进行非线性激活和延时处理。
需要指出的是，图12示出了不同计算模组50之间的互联方式及其信号传输，然而并非构成对本发明实施例中的信号传输的限制。
进一步地，所述计算模组50可以用于以下一项或多项：前馈神经网络、循环神经网络、脉冲神经网络以及储水池。
在具体实施中，可以以这种计算模组50为基础，进一步扩展形成更加复杂的神经网络。
在本发明实施例中，光学干涉单元的每个边都存在一个输入口和输出口，光学干涉单元可以通过阵列形式实现光电器件单元以及更大规模的矩阵网络，增加了光电神经网络的可扩展性。采用上述方案，光学干涉单元不仅可以构造酉矩阵，还可以实现任意输入端口和输出端口之间的连接，即提供了实现信号的路由。因此整个架构可以实现“传算”一体。
多个光电器件单元扩展成的大规模阵列不仅可以构造任意矩阵网络来执行深度学习中线性计算，更能在物理实体意义上模仿神经元的时域行为特征进行神经拟态计算，提高了光电神经网络的可重构性。
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (11)

1.一种光电器件单元，其特征在于，包括：
2K个光学干涉单元，每个光学干涉单元中包含第一干涉波导和第二干涉波导；
其中，各个光学干涉单元之间经由所述第一干涉波导或第二干涉波导连接，每个光学干涉单元的不同的干涉波导分别连接至不同的光学干涉单元，且相连的干涉波导的非相连端分别延伸至所述光电器件单元的同一条边，以分别作为该边的输入端口和输出端口；
K为正整数，且K≥2。
2.根据权利要求1所述的光电器件单元，其特征在于，每个光学干涉单元的第一干涉波导具有移相器件，第二干涉波导不具有移相器件；
其中，各个光学干涉单元之间第一干涉波导与第一干涉波导相连，第二干涉波导与第二干涉波导相连。
3.根据权利要求1所述的光电器件单元，其特征在于，每个光学干涉单元的第一干涉波导和第二干涉波导均具有移相器件。
4.根据权利要求1所述的光电器件单元，其特征在于，
所述光学干涉单元为马赫-增德尔尔干涉仪MZI，所述MZI的两条干涉臂分别作为所述第一干涉波导和第二干涉波导。
5.根据权利要求1所述的光电器件单元，其特征在于，
所述光学干涉单元为包括两条直波导的微环谐振器，所述两条直波导分别作为所述第一干涉波导和第二干涉波导；
其中，所述两条直波导相互平行，所述微环谐振器的微环位于所述两条直波导之间。
6.根据权利要求1所述的光电器件单元，其特征在于，所述2K个光学干涉单元的排列形状选自：矩形、六边形、八边形。
7.一种光电神经网络，其特征在于，包括：
一个或多个矩阵网络，每个矩阵网络包含多个如权利要求1至6任一项所述的光电器件单元。
8.根据权利要求7所述的光电神经网络，其特征在于，还包括：
调制器阵列，与所述矩阵网络中的各个光电器件单元的输入端口耦接，并将待处理信号调制为光学调制信号后输入所述矩阵网络。
9.根据权利要求8所述的光电神经网络，其特征在于，还包括：
探测器，与所述矩阵网络中的各个光电器件单元的输出端口耦接，并对所述光电器件单元输出的光学信号进行光电转换。
10.根据权利要求9所述的光电神经网络，其特征在于，所述光电神经网络对所述探测器接收到的输出光与所述调制器阵列生成的输入光进行相干处理。
11.一种计算模组，其特征在于，包括：
光芯片，所述光芯片集成有一个或多个如权利要求7至10任一项所述的光电神经网络；
电芯片，用于对所述光芯片的电学性能进行控制。
CN202111322795.4A 2021-11-09 2021-11-09 光电器件单元、光电神经网络以及计算模组 Pending CN116108905A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111322795.4A CN116108905A (zh) 2021-11-09 2021-11-09 光电器件单元、光电神经网络以及计算模组

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111322795.4A CN116108905A (zh) 2021-11-09 2021-11-09 光电器件单元、光电神经网络以及计算模组

Publications (1)

Publication Number Publication Date
CN116108905A true CN116108905A (zh) 2023-05-12

Family

ID=86253128

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111322795.4A Pending CN116108905A (zh) 2021-11-09 2021-11-09 光电器件单元、光电神经网络以及计算模组

Country Status (1)

Country Link
CN (1) CN116108905A (zh)

Similar Documents

Publication Publication Date Title
De Marinis et al. Photonic neural networks: A survey
Shastri et al. Photonics for artificial intelligence and neuromorphic computing
Bai et al. Photonic multiplexing techniques for neuromorphic computing
CN111683304B (zh) 在光波导和/或光芯片上实现的全光衍射神经网络及系统
CN109376855B (zh) 一种光神经元结构和包含该结构的神经网络处理系统
WO2023201970A1 (zh) 一种计算芯片、系统及数据处理方法
Bai et al. Towards silicon photonic neural networks for artificial intelligence
CN116348886A (zh) 相干光子计算架构
Gu et al. SqueezeLight: Towards scalable optical neural networks with multi-operand ring resonators
CN111723337B (zh) 用于神经网络训练的光子张量核集成电路架构及其神经网络训练方法
CN112101540B (zh) 光学神经网络芯片及其计算方法
CN114970836A (zh) 蓄水池神经网络实现方法、系统、电子设备及存储介质
WO2021216282A1 (en) Phase-change metasurface for programmable waveguide mode conversion
US20240184847A1 (en) Optical circuit building method, optical circuit, and optical signal processing method and apparatus
CN116108905A (zh) 光电器件单元、光电神经网络以及计算模组
Yatagai et al. Optical computing and interconnects
CN116029343A (zh) 基于mrr和相变材料的光子脉冲神经网络实现方法
CN113592084B (zh) 基于反向优化超结构卷积核的片上光子神经网络
CN112232487B (zh) 光学神经网络芯片及其计算方法
Dan et al. Optoelectronic integrated circuits for analog optical computing: Development and challenge
CN114819131B (zh) 一种基于光学片上超表面的光子衍射神经元及其实现方法
Li et al. Experimental demonstration of online learning in deep photonic neural networks
Yin et al. Optical mode division multiplexing inspired photonic neural network accelerator
Moss Photonic multiplexing techniques for optical neuromorphic computing
US20240013041A1 (en) Single ended eam with electrical combining

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination